python异步存储数据详解_Python

在Python中，数据存储方式分为同步存储和异步存储。同步写入速度比较慢，而爬虫速度比较快，有可能导致数据保存不完整，一部分数据没有入库。而异步可以将爬虫和写入数据库操作分开执行，互不影响，所以写入速度比较快，能够保证数据的完整性。

异步存储数据库大致看分为以下步骤：

1. 在settings中配置Mysql链接需要的参数(主机地址、用户账号、密码、需要操作的表名、编码格式等)
2. 自定义Pipeline，实现from_settings函数
3. from twisted.enterprise import adbapi 引入连接池模块
4. from pymysql import cursors 引入游标模块
5. 在from_settings中，准备链接数据库参数，创建db_pool连接池，创建返回当前类的对象，传入db_pool
6. 实现初始化函数,在初始化函数中,将db_pool赋值self的属性
7. 实现process_item函数
7.1 query = self.db_pool.runInteraction(执行插入数据操作的函数对象，函数需要参数)，并接受执行返回结果
7.2 query.addErrback(错误回调函数，函数需要参数)，添加执行sql失败回调的函数，在回调函数中对错误数据进一步处理
8. 实现插入数据操作的函数，准备sql，执行sql
9. 实现错误回调函数，在回调函数中对错误数据进一步处理

下面，我们以天堂图片网为例，大致熟悉一下异步存储：

1. 在存储之前，可以选择手动创建数据库（表名、字段名、字段类型等自己定义），也可以选择代码创建。

2. 存储数据之前还得先拿到数据

				?

									import scrapy

									from ..items import ImgItem

									class IvskySpider(scrapy.Spider):

									  name = 'ivsky'

									  allowed_domains = ['ivsky.com']

									  start_urls = ['http://www.ivsky.com/tupian/ziranfengguang/']

									  def parse(self, response):

									    imgs = response.xpath('//div[@class="il_img"]/a/img')

									    for img in imgs:

									      alt = img.xpath('@alt').extract_first('')

									      src = img.xpath('@src').extract_first('')

									      item = ImgItem()

									      item['alt'] = alt

									      item['src'] = src

									      yield item

3. 自定义item，并把数据传进去

				?

									import scrapy

									class IvskySpiderItem(scrapy.Item):

									  # define the fields for your item here like:

									  # name = scrapy.Field()

									  pass

									class ImgItem(scrapy.Item):

									  alt = scrapy.Field()

									  src = scrapy.Field()

4. 接下来就是settings中的配置，代码如下（robots协议记得改为False）：

				?

									MYSQL_HOST = '127.0.0.1'

									MYSQL_USER = 'root'

									MYSQL_PW = '123456'

									MYSQL_DB = 'ivskydb'

									MYSQL_CHARSET = 'utf8'

5. 再然后自定义pipeline，并把该pipeline在settings中配置（设置优先级）：

				?

									from twisted.enterprise import adbapi

									from pymysql import cursors

									class TwistedMysqlPipeline(object):

									  # 在调用TwistedMysqlPipeline时，第一个调用该函数

									  @classmethod

									  def from_settings(cls, settings):

									    #准备需要用到的链接mysql的参数

									    db_prams = dict(

									      host=settings['MYSQL_HOST'],

									      user=settings['MYSQL_USER'],

									      password=settings['MYSQL_PW'],

									      db=settings['MYSQL_DB'],

									      port=3306,

									      use_unicode=True,

									      charset=settings['MYSQL_CHARSET'],

									      # 指定使用的游标类型

									      cursorclass=cursors.DictCursor

									    )

									    # 创建连接池对象，需要传入两个参数

									    # 1.使用操作mysql第三方包名

									    # 2.连接数据库需要的参数

									    db_pool = adbapi.ConnectionPool('pymysql', **db_prams)

									    return cls(db_pool)

									  def __init__(self, db_pool):

									    # 将连接池对象赋值self.db_pool属性

									    self.db_pool = db_pool

									  def process_item(self, item, spider):

									    # 准备sql

									    # 执行sql

									    # 执行一个将item数据写入数据库的动作

									    # 1.执行操作的函数

									    # 2.执行函数需要的参数....

									    query = self.db_pool.runInteraction(self.insert_item, item)

									    # 执行sql出现异常错误时，回调的函数

									    query.addErrback(self.handle_error, item, spider)

									    return item

									  # 插入数据出现错误时，回调的函数

									  def handle_error(self, failure, item, spider):

									    print(failure)

									    print(item)

									  # 执行插入数据的函数

									  def insert_item(self, cursor, item):

									    # 创建sql

									    sql = "INSERT INTO ivs(alt,src)VALUES(%s,%s)"

									    # 执行sql

									    cursor.execute(sql,(item['alt'], item['src']))

6. pipeline在settings中的配置

				?

									ITEM_PIPELINES = {

									  # 'ivsky_spider.pipelines.MysqlPipeline': 300,

									  'ivsky_spider.pipelines.TwistedMysqlPipeline': 300,

									}